Оценка позы на устройстве, воображаемая клавиатура, работающая на базе искусственного интеллекта, развитие умных способностей, новое исследование Google и многое другое.
НОВОСТИ
Trueface собирает 3,7 миллиона долларов, чтобы предоставить "полезные данные" для систем камер
Ценность данных камеры наблюдения зависит от того, что вы можете с ними сделать. Trueface, американская компания по компьютерному зрению, стремится предоставить своим пользователям полезные данные. Платформа, которая работает с множеством архитектур камер и включает в себя докеризированный контейнер, SDK и решение plug-and-play, может выполнять задачи машинного обучения на устройстве, такие как распознавание лиц, обнаружение эмоций, определение возраста и этнической принадлежности, обнаружение объектов. , и более. ["Подробнее"]
Исследователи из Кореи создают полностью воображаемую клавиатуру для сенсорных экранов и виртуальной реальности
Незаметный для глаз, невидимый интерфейс клавиатуры с искусственным интеллектом позиционируется в зависимости от того, где вы решите поставить руки, когда будете готовы печатать. Это ... может показаться волшебством. Но это работает так: вместо того, чтобы определять положение пальцев с какой-либо точностью, модель глубокого обучения определяет, что вы пытаетесь набрать, и постоянно настраивает невидимый интерфейс, чтобы он соответствовал воображаемому в вашей голове. Он все еще находится на начальной стадии, но такого рода футуристические технологии - еще один пример широких возможностей искусственного интеллекта на устройствах. ["Подробнее"]
EfficientNet-EdgeTPU: создание нейронных сетей, оптимизированных для ускорителей, с помощью AutoML
На этой неделе Google объявил о выпуске EfficientNet-EdgeTPU, группы моделей классификации изображений, оптимизированных для работы на Google Edge TPU. Новое семейство моделей было частично построено с использованием поиска по архитектуре нейронной сети Google AutoML и оптимизировано с помощью набора инструментов посттренировочного квантования TensorFlow. Множество интересных заметок об архитектуре и производительности моделей, а также обучающем коде и предварительно обученных моделях доступны на GitHub. ["Подробнее"]
Развитие ума на грани
Аласдер Аллан предоставляет подробный анализ TensorFlow Lite для микроконтроллеров, который был публично выпущен чуть более 3 месяцев назад. Он рассматривает платформы, которые в настоящее время поддерживают его, и выделяет его мощные возможности. Но он также изучает то, что, по его мнению, должно быть дальше: расширенные инструменты для повторного использования моделей или легкого обучения новых при ограниченной доступности наборов данных. ["Подробнее"]
Команда TensorFlow Lite выпускает демонстрационное приложение для оценки позы на устройстве
В своем постоянном стремлении внедрить функции машинного обучения в мобильные приложения команда TensorFlow Lite на этой неделе выпустила образец проекта для Android с их моделью PoseNet. Подробный обзор в этом сообщении блога со ссылками на исходный код, чтобы вы могли попробовать это самостоятельно. ["Подробнее"]
КОД / БИБЛИОТЕКИ
google-coral / project-posenet
Определение позы человека на EdgeTPU. ["Исследовать"]
tensorflow / examples / posenet (Android)
Код для примера приложения для Android, которое постоянно обнаруживает части тела в кадрах, видимых камерой вашего устройства. ["Исследовать"]
gaborvecesi / Мини-фреймворк федеративного обучения
Мини-фреймворк федеративного обучения с Keras. ["Исследовать"]
ОБУЧЕНИЕ
Классификация звука с помощью Core ML 3
Хорошее руководство от сотрудников CapTech по классификации звука в iOS, новом типе модели, включенном в Core ML 3. [Подробнее]
Оценка позы человека на изображениях для iOS
Впечатляющий демонстрационный проект, реализующий оценку позы на iOS, с метриками производительности модели, подробностями вывода нейронной сети и многим другим. ["Учить больше"]
Использование TensorFlow.js для обучения модели «камень-ножницы-бумага»
Гант Лаборд с учебником, показывающим, как быстро и относительно легко обучить простую модель машинного обучения прямо в браузере. ["Учить больше"]
Руководство по оценке поз человека, 2019 г.
Деррик Мвити описывает общие архитектуры моделей и несколько новых подходов к оценке позы человека, задачу компьютерного зрения в машинном обучении. ["Учить больше"]
Примечание редактора. Heartbeat - это онлайн-публикация и сообщество, созданное авторами и посвященное изучению зарождающегося пересечения разработки мобильных приложений и машинного обучения. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая редакция, Heartbeat спонсируется и публикуется Fritz AI, платформой машинного обучения, которая помогает разработчикам учить устройства видеть, слышать, ощущать и думать. Мы платим участникам и не продаем рекламу.
Если вы хотите внести свой вклад, переходите к нашему призыву участников. Вы также можете подписаться на наши еженедельные информационные бюллетени (Deep Learning Weekly и Fritz AI Newsletter), присоединяйтесь к нам на » «Slack и подписывайтесь на Fritz AI в Twitter , чтобы узнавать обо всех последних новостях в области мобильного машинного обучения.
